7 1 Probability 2015

‫احتماالت‬
‫سید ناصر رضوی ‪n.razavi@tabrizu.ac.ir‬‬

‫‪۱۳۹۵‬‬
‫احتماالت‬
‫‪2‬‬
‫‪www.snrazavi.ir‬‬ ‫هوش مصنوعی پیشرفته ‪ -‬سید ناصر رضوی ‪۱۳۹۵ -‬‬

‫فهرست‬
‫‪۳‬‬
‫احتماالت‪.‬‬ ‫‪‬‬
‫‪ ‬متغیرهای تصادفی‬
‫‪ ‬توزیع توأم و حاشیهای‬
‫‪ ‬توزیع شرطی‬
‫‪ ‬قاعده ضرب‪ ،‬قاعده زنجیری‪ ،‬قاعده بیز‬
‫‪ ‬استنتاج‬
‫‪ ‬استقالل‬
‫‪ ‬استقالل شرطی‬

‫استنتاج در محیط عامل روحیاب‬
‫‪4‬‬
‫در یکی از خانههای گرید یک روح وجود دارد‪.‬‬ ‫‪‬‬
‫حسگرهای عامل اطالعاتی در مورد فاصله هر خانه تا مکان روح در اختیار عامل‬ ‫‪‬‬
‫قرار میدهند‪.‬‬
‫قرمز‬ ‫در خانهای که روح قرار دارد‪:‬‬ ‫‪‬‬
‫نارنجی‬ ‫خانههای با فاصله ‪ ۱‬یا ‪:2‬‬ ‫‪‬‬
‫زرد‬ ‫خانههای با فاصله ‪ ۳‬یا ‪:4‬‬ ‫‪‬‬
‫سبز‬ ‫خانههای با فاصله ‪ ۵‬یا بیشتر‪:‬‬ ‫‪‬‬
‫اطالعات حسگرها دارای نویز است‪ ،‬اما خوشبختانه )‪ P(Color | Distance‬را میدانیم‪.‬‬ ‫‪‬‬
‫)‪P(red | 3‬‬ ‫)‪P(orange | 3‬‬ ‫)‪P(yellow | 3‬‬ ‫)‪P(green | 3‬‬

‫‪0.05‬‬ ‫‪0.15‬‬ ‫‪0.5‬‬ ‫‪0.3‬‬

‫اجرای نمایشی‬
‫‪۵‬‬
‫مثال‪ .‬یافتن مکان روح در گرید‪.‬‬ ‫‪‬‬

‫عدم قطعیت‬
‫‪6‬‬
‫مفاهیم پایهای‪.‬‬ ‫‪‬‬
‫‪ ‬متغیر مشاهده شده [شواهد]‪ :‬عامل در مورد برخی از جنبههای محیط اطالعات قطعی دارد‪[ .‬مانند‬
‫اطالعات دریافتی از حسگرها یا نشانهها]‬
‫‪ ‬متغیر مشاهده نشده‪ :‬عامل باید در مورد برخی دیگر از جنبههای محیط استدالل کند‪[ .‬مانند مکان یک شی‬
‫یا نوع بیماری]‬
‫‪ ‬مدل‪ :‬عامل میداند چه ارتباطی میان متغیرهای معلوم و مجهول وجود دارد‪.‬‬
‫استدالل احتماالتی‪ .‬یک چارچوب به منظور مدیریت باورها و دانش درباره محیط‪.‬‬ ‫‪‬‬

‫متغیرهای تصادفی‬
‫‪7‬‬
‫متغیر تصادفی‪ .‬جنبهای از محیط که ممکن است در مورد آن عدم قطعیت داشته باشیم‪.‬‬ ‫‪‬‬
‫‪ = R‬آیا هوا بارانی است؟‬ ‫‪‬‬
‫‪ = T‬هوا سرد است یا گرم؟‬ ‫‪‬‬
‫‪ = D‬چقدر طول میکشد به فرودگاه برسیم؟‬ ‫‪‬‬
‫‪ = L‬روح در کدام خانه قرار دارد؟‬ ‫‪‬‬
‫دامنه‪ .‬همانند متغیرهای ‪ ،CSP‬متغیرهای تصادفی دارای یک دامنه هستند‪.‬‬ ‫‪‬‬
‫{درست‪ ،‬نادرست} یا }‪{+r, -r‬‬ ‫دامنه ‪:R‬‬ ‫‪‬‬
‫{سرد‪ ،‬گرم}‬ ‫دامنه ‪:T‬‬ ‫‪‬‬
‫)∞ ‪[0,‬‬ ‫دامنه ‪:D‬‬ ‫‪‬‬
‫مکانهای ممکن در گرید‬ ‫دامنه ‪:L‬‬ ‫‪‬‬

‫توابع توزیع احتمال‬
‫‪8‬‬
‫تابع توزیع احتمال‪ .‬انتساب یک احتمال به هر یک از مقادیر دامنه‪.‬‬ ‫‪‬‬
‫𝑊‬ ‫)𝑊(𝑃‬
‫𝑇‬ ‫)𝑇(𝑃‬ ‫‪sun‬‬ ‫‪0.6‬‬
‫‪hot‬‬ ‫‪0.5‬‬ ‫‪rain‬‬ ‫‪0.1‬‬
‫‪cold‬‬ ‫‪0.5‬‬ ‫‪fog‬‬ ‫‪0.3‬‬
‫‪meteor‬‬ ‫‪0.0‬‬

‫توابع توزیع احتمال‬
‫‪۹‬‬
‫نمایش توابع توزیع احتمال‪ .‬یک جدول بیانگر احتمال مربوط به هر مقدار‪.‬‬ ‫‪‬‬
‫𝑇‬ ‫)𝑇(𝑃‬ ‫𝑊‬ ‫)𝑊(𝑃‬

‫‪hot‬‬ ‫‪0.5‬‬ ‫‪sun‬‬ ‫‪0.6‬‬
‫‪cold‬‬ ‫‪0.5‬‬ ‫‪rain‬‬ ‫‪0.1‬‬ ‫‪𝑃 𝑊 = 𝑟𝑎𝑖𝑛 = 0.1‬‬ ‫𝑛𝑖𝑎𝑟 𝑃 =‬
‫‪fog‬‬ ‫‪0.3‬‬
‫‪meteor‬‬ ‫‪0.0‬‬
‫خالصه نویسی‬
‫ویژگیها‪.‬‬ ‫‪‬‬
‫‪∀𝑥 𝑃 𝑋 = 𝑥 ≥ 0‬‬ ‫‪෍𝑃 𝑋 = 𝑥 = 1‬‬

‫𝑥‬

‫توابع توزیع احتمال توأم‬
‫‪۱0‬‬
‫تابع توزیع احتمال توأم بر روی یک مجموعه از متغیرها مانند 𝑛𝑋‪.𝑋1 ,𝑋2 , … ,‬‬ ‫‪‬‬
‫‪ ‬بیانگر احتمال وقوع هر انتساب ممکن از مقادیر به متغیرها‪.‬‬

‫‪ ‬اندازه توزیع؟ 𝑛 𝑑 اگر دامنه هر متغیر شامل 𝑑 مقدار باشد‪.‬‬
‫𝑇‬ ‫𝑊‬ ‫)𝑊 ‪𝑃(𝑇,‬‬
‫‪hot‬‬ ‫‪sun‬‬ ‫‪0.4‬‬
‫‪hot‬‬ ‫‪rain‬‬ ‫‪0.1‬‬ ‫𝑛𝑥 ‪𝑃 𝑋1 = 𝑥1 , 𝑋2 = 𝑥2 , … , 𝑋𝑛 = 𝑥𝑛 = 𝑃 𝑥1 , 𝑥2 , … ,‬‬
‫‪cold‬‬ ‫‪sun‬‬ ‫‪0.2‬‬
‫‪cold‬‬ ‫‪rain‬‬ ‫‪0.3‬‬ ‫ویژگیها‪.‬‬ ‫‪‬‬
‫‪𝑃 𝑥1 , 𝑥2 , … , 𝑥𝑛 ≥ 0‬‬ ‫‪෍‬‬ ‫‪𝑃 𝑥1 , 𝑥2 , … , 𝑥𝑛 = 1‬‬

‫𝑛𝑥‪𝑥1 ,𝑥2 ,…,‬‬

‫مدلهای احتماالتی‬
‫‪۱۱‬‬
‫مدل احتماالتی‪ .‬یک توزیع توأم بر روی مجموعهای از متغیرهای تصادفی‪.‬‬ ‫‪‬‬
‫‪ ‬بیانگر جنبههایی از محیط که برای ما اهمیت دارند!‬
‫مدلهای احتماالتی‪.‬‬ ‫‪‬‬
‫‪ ‬مجموعهای از متغیرهای تصادفی به همراه دامنه هر یک‪.‬‬

‫‪ ‬هر انتساب ممکن از مقادیر به متغیرها یک پیامد نام دارد‪.‬‬
‫‪ ‬توزیع احتمال توأم‪ :‬بیانگر میزان محتمل بودن هر پیامد ممکن‪.‬‬
‫‪ ‬ایدهآل این است که فقط برخی از متغیرها به طور مستقیم در تعامل باشند‪.‬‬

‫رویدادها‬
‫‪۱2‬‬
‫رویداد‪ .‬یک مجموعه از پیامدها!‬ ‫‪‬‬
‫= 𝐸 𝑃‬ ‫‪෍‬‬ ‫𝑛𝑥 ‪𝑃 𝑥1 , 𝑥2 , … ,‬‬

‫𝐸∈ 𝑛𝑥‪𝑥1 ,𝑥2 ,…,‬‬
‫با داشتن توزیع توأم‪ ،‬میتوانیم احتمال هر رویداد ممکن را محاسبه کنیم‪.‬‬ ‫‪‬‬
‫𝑇‬ ‫𝑊‬ ‫)𝑊 ‪𝑃(𝑇,‬‬

‫‪hot‬‬ ‫‪sun‬‬ ‫‪0.4‬‬
‫‪hot‬‬ ‫‪rain‬‬ ‫‪0.1‬‬ ‫= 𝑛𝑢𝑠 ‪𝑃 ℎ𝑜𝑡,‬‬ ‫‪0.4‬‬
‫‪cold‬‬ ‫‪sun‬‬ ‫‪0.2‬‬
‫‪cold‬‬ ‫‪rain‬‬ ‫‪0.3‬‬
‫‪۱۳‬‬
‫= 𝐸 𝑃‬ ‫‪෍‬‬ ‫𝑛𝑥 ‪𝑃 𝑥1 , 𝑥2 , … ,‬‬

‫𝐸∈ 𝑛𝑥‪𝑥1 ,𝑥2 ,…,‬‬
‫𝑇‬ ‫𝑊‬ ‫)𝑊 ‪𝑃(𝑇,‬‬

‫‪hot‬‬ ‫‪sun‬‬ ‫‪0.4‬‬
‫‪hot‬‬ ‫‪rain‬‬ ‫‪0.1‬‬ ‫= 𝑡𝑜‪𝑃 ℎ‬‬ ‫‪0.4 + 0.1‬‬
‫‪cold‬‬ ‫‪sun‬‬ ‫‪0.2‬‬
‫‪cold‬‬ ‫‪rain‬‬ ‫‪0.3‬‬
‫‪۱4‬‬
‫= 𝐸 𝑃‬ ‫‪෍‬‬ ‫𝑛𝑥 ‪𝑃 𝑥1 , 𝑥2 , … ,‬‬

‫𝐸∈ 𝑛𝑥‪𝑥1 ,𝑥2 ,…,‬‬
‫𝑇‬ ‫𝑊‬ ‫)𝑊 ‪𝑃(𝑇,‬‬

‫‪hot‬‬ ‫‪sun‬‬ ‫‪0.4‬‬
‫‪hot‬‬ ‫‪rain‬‬ ‫‪0.1‬‬ ‫= 𝑛𝑢𝑠 ‪𝑃 ℎ𝑜𝑡 or‬‬ ‫‪0.4 + 0.1 + 0.2‬‬
‫‪cold‬‬ ‫‪sun‬‬ ‫‪0.2‬‬
‫‪cold‬‬ ‫‪rain‬‬ ‫‪0.3‬‬
‫پرسش کالسی‪ :‬رویدادها‬
‫‪۱۵‬‬
‫س‪ .‬احتمال وقوع هر یک از رویدادهای زیر را محاسبه کنید‪.‬‬ ‫‪‬‬
‫𝑋‬ ‫𝑌‬ ‫)𝑌 ‪𝑃(𝑋,‬‬

‫= 𝑦‪𝑃 +𝑥, −‬‬ ‫𝑥‪+‬‬ ‫𝑦‪+‬‬ ‫‪0.4‬‬
‫= 𝑦‪𝑃 −‬‬ ‫𝑥‪+‬‬ ‫𝑦‪−‬‬ ‫‪0.1‬‬
‫𝑥‪−‬‬ ‫𝑦‪+‬‬ ‫‪0.2‬‬
‫= 𝑦 ‪𝑃 +𝑥 or −‬‬
‫𝑥‪−‬‬ ‫𝑦‪−‬‬ ‫‪0.3‬‬

‫توابع توزیع حاشیهای‬
‫‪۱6‬‬
‫توزیع حاشیهای‪ .‬توزیع احتمال یک زیرمجموعه از متغیرها‪.‬‬ ‫‪‬‬
‫‪ ‬بخشی از جدول توزیع احتمال حاصل از حذف تعدادی متغیر‪.‬‬
‫‪𝑃 𝑋1 = 𝑥1 = ෍ 𝑃 𝑋1 = 𝑥1 , 𝑋2 = 𝑥2‬‬
‫‪𝑥2‬‬
‫𝑇‬ ‫)𝑇(𝑃‬
‫𝑤 ‪𝑃 𝑡 = ෍ 𝑃 𝑡,‬‬
‫𝑇‬ ‫𝑊‬ ‫)𝑊 ‪𝑃(𝑇,‬‬ ‫‪hot‬‬ ‫‪0.5‬‬
‫𝑤‬
‫‪hot‬‬ ‫‪sun‬‬ ‫‪0.4‬‬ ‫‪cold‬‬ ‫‪0.5‬‬
‫‪hot‬‬ ‫‪rain‬‬ ‫‪0.1‬‬
‫‪cold‬‬ ‫‪sun‬‬ ‫‪0.2‬‬ ‫𝑊‬ ‫)𝑊(𝑃‬
‫‪cold‬‬ ‫‪rain‬‬ ‫‪0.3‬‬ ‫𝑤 ‪𝑃 𝑤 = ෍ 𝑃 𝑡,‬‬ ‫‪sun‬‬ ‫‪0.6‬‬
‫𝑡‬
‫‪rain‬‬ ‫‪0.4‬‬
‫توابع توزیع حاشیهای‬
‫‪۱7‬‬
‫توزیع حاشیهای‪ .‬توزیع احتمال یک زیرمجموعه از متغیرها‪.‬‬ ‫‪‬‬
‫‪ ‬بخشی از جدول توزیع احتمال حاصل از حذف تعدادی متغیر‪.‬‬
‫‪𝑃 𝑋1 = 𝑥1 = ෍ 𝑃 𝑋1 = 𝑥1 , 𝑋2 = 𝑥2‬‬
‫‪𝑥2‬‬
‫𝑤 ‪𝑃 𝑡 = ෍ 𝑃 𝑡,‬‬
‫𝑇‬ ‫𝑊‬ ‫)𝑊 ‪𝑃(𝑇,‬‬
‫𝑤‬ ‫‪sun‬‬ ‫‪rain‬‬ ‫𝑇 𝑃‬
‫‪hot‬‬ ‫‪sun‬‬ ‫‪0.4‬‬
‫‪hot‬‬ ‫‪0.4‬‬ ‫‪0.1‬‬ ‫‪0.5‬‬
‫‪hot‬‬ ‫‪rain‬‬ ‫‪0.1‬‬
‫‪cold‬‬ ‫‪0.2‬‬ ‫‪0.3‬‬ ‫‪0.5‬‬
‫‪cold‬‬ ‫‪sun‬‬ ‫‪0.2‬‬
‫‪cold‬‬ ‫‪rain‬‬ ‫‪0.3‬‬ ‫𝑤 ‪𝑃 𝑤 = ෍ 𝑃 𝑡,‬‬ ‫𝑊 𝑃‬ ‫‪0.6‬‬ ‫‪0.4‬‬
‫𝑡‬

‫پرسش کالسی‪ :‬توابع توزیع حاشیهای‬
‫‪۱8‬‬
‫س‪ .‬با توجه به توزیع توأم داده شده‪ ،‬توزیع حاشیهای مربوط به 𝑋 𝑃 و )𝑌(𝑃 را محاسبه کنید‪.‬‬ ‫‪‬‬
‫𝑋‬ ‫)𝑋(𝑃‬
‫𝑦 ‪𝑃 𝑥 = ෍ 𝑃 𝑥,‬‬
‫𝑋‬ ‫𝑌‬ ‫)𝑌 ‪𝑃(𝑋,‬‬ ‫𝑥‪+‬‬
‫𝑦‬
‫𝑥‪+‬‬ ‫𝑦‪+‬‬ ‫‪0.2‬‬ ‫𝑥‪−‬‬
‫𝑥‪+‬‬ ‫𝑦‪−‬‬ ‫‪0.3‬‬
‫𝑥‪−‬‬ ‫𝑦‪+‬‬ ‫‪0.4‬‬ ‫𝑌‬ ‫)𝑌(𝑃‬
‫𝑥‪−‬‬ ‫𝑦‪−‬‬ ‫‪0.1‬‬ ‫𝑦 ‪𝑃 𝑦 = ෍ 𝑃 𝑥,‬‬ ‫𝑦‪+‬‬
‫𝑥‬
‫𝑦‪−‬‬

‫توزیع شرطی‬
‫‪۱۹‬‬
‫توزیع شرطی‪ .‬یک رابطه ساده میان توزیعهای توأم و حاشیهای‪.‬‬ ‫‪‬‬
‫𝑏 ‪𝑃 𝑎,‬‬
‫𝑏 ‪𝑃 𝑎,‬‬
‫= 𝑏𝑎 𝑃‬
‫𝑏 𝑃‬
‫𝑎 𝑃‬ ‫𝑏 𝑃‬

‫توزیع شرطی‬
20
.‫مثال‬ 
𝑇 𝑊 𝑃(𝑇, 𝑊)
hot sun 0.4
𝑃 𝑎, 𝑏
hot rain 0.1 𝑃 𝑎𝑏 =
𝑃 𝑏
cold sun 0.2
cold rain 0.3
𝑃 𝑊 =𝑃𝑠𝑢𝑛,
𝑊= 𝑇 𝑠𝑢𝑛,
= 𝑐𝑜𝑙𝑑
𝑇 = 𝑐𝑜𝑙𝑑
0.2 0.2
𝑃 𝑊 = 𝑠𝑢𝑛|𝑇 = 𝑐𝑜𝑙𝑑 = = = = 0.4 = = 0.4
𝑃 𝑇 =𝑃 𝑐𝑜𝑙𝑑
𝑇 = 𝑐𝑜𝑙𝑑 0.5 0.5
𝑃 𝑇 = 𝑐𝑜𝑙𝑑 = 𝑃 𝑇 = 𝑐𝑜𝑙𝑑, 𝑊 = 𝑠𝑢𝑛 + 𝑃 𝑇 = 𝑐𝑜𝑙𝑑, 𝑊 = 𝑟𝑎𝑖𝑛

= 0.2 + 0.3 = 0.5
www.snrazavi.ir ۱۳۹۵ - ‫ سید ناصر رضوی‬- ‫هوش مصنوعی پیشرفته‬

‫پرسش کالسی‪ :‬احتمال شرطی‬
‫‪2۱‬‬
‫س‪ .‬با توجه به توزیع توأم داده شده‪ ،‬هر یک از احتمالهای شرطی خواسته شده را محاسبه کنید‪.‬‬ ‫‪‬‬
‫𝑋‬ ‫𝑌‬ ‫)𝑌 ‪𝑃(𝑋,‬‬

‫= 𝑦 ‪𝑃 +𝑥 | +‬‬
‫𝑥‪+‬‬ ‫𝑦‪+‬‬ ‫‪0.2‬‬
‫= 𝑦 ‪𝑃 −𝑥 | +‬‬ ‫𝑥‪+‬‬ ‫𝑦‪−‬‬ ‫‪0.3‬‬
‫= 𝑥 ‪𝑃 −𝑦 | +‬‬ ‫𝑥‪−‬‬ ‫𝑦‪+‬‬ ‫‪0.4‬‬
‫𝑥‪−‬‬ ‫𝑦‪−‬‬ ‫‪0.1‬‬

‫توزیعهای شرطی‬
‫‪22‬‬
‫توزیع شرطی‪ .‬یک توزیع احتمال بر روی مجموعهای از متغیرها با ثابت در نظر گرفتن مقدار سایر‬ ‫‪‬‬
‫متغیرها‪.‬‬
‫𝑊‬ ‫)𝑡𝑜‪𝑃(𝑊|ℎ‬‬
‫‪sun‬‬ ‫‪0.8‬‬ ‫𝑇‬ ‫𝑊‬ ‫)𝑊 ‪𝑃(𝑇,‬‬
‫‪rain‬‬ ‫‪0.2‬‬ ‫‪hot‬‬ ‫‪sun‬‬ ‫‪0.4‬‬
‫𝑇𝑊 𝑃‬
‫‪hot‬‬ ‫‪rain‬‬ ‫‪0.1‬‬

‫𝑊‬ ‫)𝑑𝑙𝑜𝑐|𝑊(𝑃‬ ‫‪cold‬‬ ‫‪sun‬‬ ‫‪0.2‬‬
‫‪sun‬‬ ‫‪0.4‬‬ ‫‪cold‬‬ ‫‪rain‬‬ ‫‪0.3‬‬
‫‪rain‬‬ ‫‪0.6‬‬ ‫توزیع احتمال توأم‬
‫توزیعهای شرطی‬

‫ترفند نرمالسازی‬
‫‪2۳‬‬
‫ترفند نرمالسازی‪.‬‬ ‫‪‬‬

‫𝑐 = 𝑇 ‪𝑃 𝑊 = 𝑠,‬‬
‫= 𝑐 = 𝑇|𝑠 = 𝑊 𝑃‬
‫𝑐=𝑇 𝑃‬
‫𝑐 = 𝑇 ‪𝑃 𝑊 = 𝑠,‬‬
‫=‬
‫𝑟 = 𝑊 ‪𝑃 𝑇 = 𝑐, 𝑊 = 𝑠 + 𝑃 𝑇 = 𝑐,‬‬
‫𝑇‬ ‫𝑊‬ ‫)𝑊 ‪𝑃(𝑇,‬‬ ‫‪0.2‬‬
‫=‬ ‫‪= 0.4‬‬
‫‪hot‬‬ ‫‪sun‬‬ ‫‪0.4‬‬ ‫‪0.2 + 0.3‬‬ ‫𝑊‬ ‫)𝑐|𝑊(𝑃‬
‫‪hot‬‬ ‫‪rain‬‬ ‫‪0.1‬‬ ‫‪sun‬‬ ‫‪0.4‬‬
‫‪cold‬‬ ‫‪sun‬‬ ‫‪0.2‬‬ ‫𝑐 = 𝑇 ‪𝑃 𝑊 = 𝑟,‬‬ ‫‪rain‬‬ ‫‪0.6‬‬
‫= 𝑐 = 𝑇|𝑟 = 𝑊 𝑃‬
‫‪cold‬‬ ‫‪rain‬‬ ‫‪0.3‬‬ ‫𝑐=𝑇 𝑃‬
‫𝑐 = 𝑇 ‪𝑃 𝑊 = 𝑟,‬‬
‫=‬
‫𝑟 = 𝑊 ‪𝑃 𝑇 = 𝑐, 𝑊 = 𝑠 + 𝑃 𝑇 = 𝑐,‬‬
‫‪0.3‬‬
‫=‬ ‫‪= 0.6‬‬
‫‪0.2 + 0.3‬‬
‫ترفند نرمالسازی‬
‫‪24‬‬
‫= 𝑐 = 𝑇|𝑠 = 𝑊 𝑃‬
‫𝑐 = 𝑇 ‪𝑃 𝑊 = 𝑠,‬‬ ‫ترفند نرمالسازی‪.‬‬ ‫‪‬‬
‫𝑐 = 𝑇 ‪𝑃 𝑊 = 𝑠,‬‬
‫=‬
‫𝑟 = 𝑊 ‪𝑃 𝑇 = 𝑐, 𝑊 = 𝑠 + 𝑃 𝑇 = 𝑐,‬‬
‫‪0.2‬‬
‫=‬ ‫‪= 0.4‬‬
‫‪0.2 + 0.3‬‬
‫𝑇‬ ‫𝑊‬ ‫)𝑊 ‪𝑃(𝑇,‬‬ ‫انتخاب توزیعهای توأم‬

‫‪hot‬‬ ‫‪sun‬‬ ‫‪0.4‬‬ ‫منطبق با شواهد‬ ‫𝑊‬ ‫)𝑐 ‪𝑃(𝑊,‬‬ ‫نرمالسازی‬ ‫𝑊‬ ‫)𝑐|𝑊(𝑃‬
‫‪hot‬‬ ‫‪rain‬‬ ‫‪0.1‬‬ ‫‪sun‬‬ ‫‪0.2‬‬ ‫‪sun‬‬ ‫‪0.4‬‬
‫‪cold‬‬ ‫‪sun‬‬ ‫‪0.2‬‬ ‫‪rain‬‬ ‫‪0.3‬‬ ‫‪rain‬‬ ‫‪0.6‬‬
‫‪cold‬‬ ‫‪rain‬‬ ‫‪0.3‬‬
‫𝑐 = 𝑇 ‪𝑃 𝑊 = 𝑟,‬‬
‫= 𝑐 = 𝑇|𝑟 = 𝑊 𝑃‬
‫𝑐 = 𝑇 ‪𝑃 𝑊 = 𝑟,‬‬
‫=‬
‫𝑟 = 𝑊 ‪𝑃 𝑇 = 𝑐, 𝑊 = 𝑠 + 𝑃 𝑇 = 𝑐,‬‬
‫‪0.3‬‬
‫=‬ ‫‪= 0.6‬‬
‫‪0.2 + 0.3‬‬

‫پرسش کالسی‪ :‬ترفند نرمالسازی‬
‫‪2۵‬‬
‫ترفند نرمالسازی‪.‬‬ ‫‪‬‬
‫? 𝑦‪𝑃 𝑋 𝑌 = −‬‬
‫𝑋‬ ‫𝑌‬ ‫)𝑌 ‪𝑃(𝑋,‬‬ ‫انتخاب توزیعهای توأم‬

‫𝑥‪+‬‬ ‫𝑦‪+‬‬ ‫‪0.2‬‬ ‫منطبق با شواهد‬ ‫𝑋‬ ‫)𝑦‪𝑃(𝑋, −‬‬ ‫نرمالسازی‬ ‫𝑋‬ ‫)𝑦 ‪𝑃(𝑋| −‬‬
‫𝑥‪+‬‬ ‫𝑦‪−‬‬ ‫‪0.3‬‬ ‫𝑥‪+‬‬ ‫‪0.3‬‬ ‫𝑥‪+‬‬ ‫‪0.75‬‬
‫𝑥‪−‬‬ ‫𝑦‪+‬‬ ‫‪0.4‬‬ ‫𝑥‪−‬‬ ‫‪0.1‬‬ ‫𝑥‪−‬‬ ‫‪0.25‬‬
‫𝑥‪−‬‬ ‫𝑦‪−‬‬ ‫‪0.1‬‬

‫نرمالسازی‬
‫‪26‬‬
‫مراحل نرمالسازی‪.‬‬ ‫‪‬‬
‫‪ ‬مرحله ‪ :۱‬محاسبه مجموع مقادیر 𝑍 ‪.‬‬

‫‪ ‬مرحله ‪ :2‬تقسیم هر یک از مقادیر بر 𝑍‪.‬‬
‫𝑊‬ ‫)𝑐 ‪𝑃(𝑊,‬‬ ‫نرمالسازی‬ ‫𝑊‬ ‫)𝑐|𝑊(𝑃‬
‫‪sun‬‬ ‫‪0.2‬‬ ‫‪sun‬‬ ‫‪0.4‬‬
‫‪𝑍 = 0.5‬‬
‫‪rain‬‬ ‫‪0.3‬‬ ‫‪rain‬‬ ‫‪0.6‬‬
‫𝑇‬ ‫𝑊‬ ‫)𝑊 ‪𝑃(𝑇,‬‬ ‫𝑇‬ ‫𝑊‬ ‫)𝑊 ‪𝑃(𝑇,‬‬

‫‪hot‬‬ ‫‪sun‬‬ ‫‪20‬‬ ‫نرمالسازی‬ ‫‪hot‬‬ ‫‪sun‬‬ ‫‪0.4‬‬
‫‪hot‬‬ ‫‪rain‬‬ ‫‪5‬‬ ‫‪hot‬‬ ‫‪rain‬‬ ‫‪0.1‬‬
‫‪𝑍 = 50‬‬
‫‪cold‬‬ ‫‪sun‬‬ ‫‪10‬‬ ‫‪cold‬‬ ‫‪sun‬‬ ‫‪0.2‬‬
‫‪cold‬‬ ‫‪rain‬‬ ‫‪15‬‬ ‫‪cold‬‬ ‫‪rain‬‬ ‫‪0.3‬‬
‫استنتاج احتماالتی‬
‫‪27‬‬
‫هدف‪ .‬محاسبه یک احتمال از روی سایر احتماالت شناخته شده‪.‬‬ ‫‪‬‬
‫در استنتاج احتماالتی‪ ،‬معموالً احتمالهای شرطی را محاسبه‬ ‫‪‬‬

‫میکنیم‪.‬‬
‫‪ ‬مانند احتمال به موقع رسیدن به شرطی که تصادف رخ نداده باشد‪.‬‬
‫‪ ‬احتماالت شرطی‪ :‬بیانگر باور عامل با توجه به شواهد دریافتی‪.‬‬
‫‪𝑃 𝑜𝑛 𝑡𝑖𝑚𝑒 | 𝑛𝑜 𝑎𝑐𝑐𝑖𝑑𝑒𝑛𝑡 = 0.9‬‬ ‫احتمالها با دریافت شواهد جدید تغییر میکنند‪.‬‬ ‫‪‬‬
‫‪𝑃 𝑜𝑛 𝑡𝑖𝑚𝑒 | 𝑛𝑜 𝑎𝑐𝑐𝑖𝑑𝑒𝑛𝑡, 5: 00 𝑎. 𝑚. = 0.95‬‬ ‫‪ ‬دریافت شواهد جدید باعث به روز رسانی باورها میشود‪.‬‬
‫‪𝑃 𝑜𝑛 𝑡𝑖𝑚𝑒 | 𝑛𝑜 𝑎𝑐𝑐𝑖𝑑𝑒𝑛𝑡, 5: 00 𝑎. 𝑚. , 𝑟𝑎𝑖𝑛𝑖𝑛𝑔 = 0.80‬‬
‫استنتاج به وسیله شمارش‬
28
.‫استنتاج به وسیله شمارش‬ 
𝑆 𝑇 𝑊 𝑃(𝑆, 𝑇, 𝑊)
𝑃 𝑠𝑢𝑛 = 0.30 + 0.10 + 0.10 + 0.15 summer hot sun 0.30
summer hot rain 0.05
summer cold sun 0.10
summer cold rain 0.05
winter hot sun 0.10
winter hot rain 0.05
winter cold sun 0.15
winter cold rain 0.20

2۹
0.10 + 0.15
𝑃 𝑠𝑢𝑛 | 𝑤𝑖𝑛𝑡𝑒𝑟 = summer hot sun 0.30
0.50
winter hot sun 0.10

۳0
0.10
𝑃 𝑠𝑢𝑛 | 𝑤𝑖𝑛𝑡𝑒𝑟, ℎ𝑜𝑡 = summer hot sun 0.30
0.10 + 0.05
winter hot sun 0.10

‫‪۳۱‬‬
‫شکل کلی‪.‬‬ ‫‪‬‬
‫𝑘𝑒 … ‪𝐸1 … 𝐸𝑘 = 𝑒1‬‬ ‫‪ ‬متغیرهای مشاهده شده‪:‬‬

‫𝑄‬ ‫‪ ‬متغیر(های) مورد پرس و جو‪:‬‬
‫𝑟𝐻‪𝐻1 ,𝐻2 , … ,‬‬ ‫‪ ‬متغیرهای مخفی‪:‬‬
‫مرحله ‪ .۱‬انتخاب سطرهای سازگار با شواهد!‬ ‫‪‬‬

‫‪۳2‬‬
‫شکل کلی‪.‬‬ ‫‪‬‬

‫مرحله ‪ .2‬جمع زدن بر روی متغیرهای مخفی برای‬ ‫‪‬‬
‫به دست آوردن توزیع توأم متغیرهای مشاهده شده‬

‫و متغیر(های) پرس و جو‪.‬‬
‫𝑘𝑒 ‪𝑃 𝑄, 𝑒1 , … , 𝑒𝑘 = ෍ 𝑃 𝑄, ℎ1 , … , ℎ𝑟 , 𝑒1 , … ,‬‬
‫𝑟‪ℎ1 …ℎ‬‬

‫‪۳۳‬‬
‫شکل کلی‪.‬‬ ‫‪‬‬

‫مرحله ‪ .۳‬نرمالسازی‬ ‫‪‬‬

‫𝑘𝑒 ‪𝑍 = ෍ 𝑃 𝑄, 𝑒1 , … ,‬‬
‫𝑞‬
‫‪1‬‬
‫𝑘𝑒 ‪𝑃 𝑄|𝑒1 , … ,‬‬ ‫𝑘𝑒 ‪= 𝑃 𝑄, 𝑒1 , … ,‬‬
‫𝑍‬

‫‪۳4‬‬
‫‪ ‬مشکالت‪.‬‬
‫‪ ‬پیچیدگی زمانی‪O(𝑑 𝑛 ) :‬‬
‫‪ ‬پیچیدگی حافظه‪O(𝑑 𝑛 ) :‬‬

‫قاعده ضرب‬
‫‪۳۵‬‬
‫هدف‪ .‬محاسبه توزیع توأم از روی توزیعهای شرطی‪.‬‬ ‫‪‬‬
‫𝑦 ‪𝑃 𝑥,‬‬
‫𝑦 ‪𝑃 𝑦 𝑃 𝑥 𝑦 = 𝑃 𝑥,‬‬ ‫= 𝑦𝑥 𝑃‬
‫𝑦 𝑃‬

‫قاعده ضرب‬
۳6
.‫مثال‬ 
𝑃 𝑦 𝑃 𝑥 𝑦 = 𝑃 𝑥, 𝑦
𝐷 𝑊 𝑃(𝐷|𝑊) 𝐷 𝑊 𝑃(𝐷, 𝑊)
𝑊 𝑃(𝑊) wet sun 0.1 wet sun
sun 0.8 wet rain 0.7 wet rain
rain 0.2 dry sun 0.9 dry sun
dry rain 0.3 dry rain

‫قاعده ضرب زنجیری‬
‫‪۳7‬‬
‫قاعده ضرب زنجیری‪.‬‬ ‫‪‬‬
‫‪𝑃 𝑥1 , 𝑥2 , 𝑥3 = 𝑃 𝑥1 𝑃 𝑥2 𝑥1 𝑃 𝑥3 𝑥1 , 𝑥2‬‬
‫‪𝑃 𝑥1 , 𝑥2 , … , 𝑥𝑛 = ෑ 𝑃 𝑥𝑖 𝑥1 … 𝑥𝑖−1‬‬
‫𝑖‬
‫س‪ .‬چرا این رابطه همواره درست است؟‬ ‫‪‬‬
‫‪𝑃 𝑥1 , 𝑥2 𝑃 𝑥1 , 𝑥2 , 𝑥3‬‬
‫‪𝑃 𝑥1 𝑃 𝑥2 𝑥1 𝑃 𝑥3 𝑥1 , 𝑥2‬‬ ‫‪= 𝑃 𝑥1‬‬
‫‪𝑃 𝑥1‬‬ ‫‪𝑃 𝑥1 , 𝑥2‬‬

‫قاعده بیز‬
‫‪۳8‬‬

‫‪۳۹‬‬
‫دو روش مختلف برای فاکتورگیری از یک توزیع توأم بر روی دو متغیر‪.‬‬ ‫‪‬‬
‫𝑥 𝑃 𝑥𝑦 𝑃‬
‫𝑦 𝑥 𝑃 𝑦 𝑃 = 𝑥 𝑦 𝑃 𝑥 𝑃 = 𝑦 ‪𝑃 𝑥,‬‬ ‫= 𝑦𝑥 𝑃‬
‫𝑦 𝑃‬
‫کاربردها‪.‬‬ ‫‪‬‬
‫‪ ‬ایجاد یک توزیع شرطی از روی معکوس آن‪.‬‬

‫‪ ‬در اغلب اوقات محاسبه یکی از این دو توزیع شرطی ساده است‪،‬‬
‫اما محاسبه دیگری خیر!‬
‫‪ ‬پایه بسیاری از سیستمهای هوش مصنوعی!‬

‫‪40‬‬

‫استنتاج به وسیله قاعده بیز‬
‫‪4۱‬‬
‫مثال‪ .‬تشخیص بیماری از روی نشانهها‪.‬‬ ‫‪‬‬
‫𝑒𝑠𝑢𝑎𝐶 𝑃 𝑒𝑠𝑢𝑎𝐶 𝑡𝑐𝑒𝑓𝑓𝐸 𝑃‬

‫= 𝑡𝑐𝑒𝑓𝑓𝐸 𝑒𝑠𝑢𝑎𝐶 𝑃‬
‫𝑡𝑐𝑒𝑓𝑓𝐸 𝑃‬
‫مثال‪ .‬تشخیص مننژیت )𝑀( با توجه به گرفتگی گردن )𝑆(‪.‬‬ ‫‪‬‬
‫‪𝑃 +𝑚 = 0.0001‬‬ ‫𝑚‪𝑃 +𝑠 +𝑚 𝑃 +‬‬ ‫‪0.8 × 0.0001‬‬

‫‪𝑃 +𝑠 +𝑚 = 0.8‬‬ ‫= 𝑠‪𝑃 +𝑚 +‬‬ ‫=‬ ‫‪= 0.0008‬‬
‫‪𝑃 +𝑠 −𝑚 = 0.01‬‬ ‫𝑠‪𝑃 +‬‬ ‫‪0.1‬‬

‫پرسش کالسی‪ :‬قاعده بیز‬
‫‪42‬‬
‫س‪ .‬با توجه به توزیع داده شده در زیر‪:‬‬ ‫‪‬‬
‫𝐷‬ ‫𝑊‬ ‫)𝑊 𝐷 𝑃‬ ‫𝑊‬ ‫)𝑊(𝑃‬

‫‪wet‬‬ ‫‪sun‬‬ ‫‪0.1‬‬ ‫‪sun‬‬ ‫‪0.8‬‬
‫‪wet‬‬ ‫‪rain‬‬ ‫‪0.7‬‬ ‫‪rain‬‬ ‫‪0.2‬‬
‫‪dry‬‬ ‫‪sun‬‬ ‫‪0.9‬‬
‫‪dry‬‬ ‫‪rain‬‬ ‫‪0.3‬‬
‫احتمال 𝑦𝑟𝑑 𝑊 𝑃 را محاسبه کنید‪.‬‬

‫عامل روحیاب‪ :‬بازبینی‬
‫‪4۳‬‬
‫فرض کنید دو توزیع زیر را در اختیار داریم‪:‬‬ ‫‪‬‬
‫‪ ‬توزیع پیشین بر روی مکان روح‪𝑃(𝐺) :‬‬

‫که به صورت یکنواخت توزیع شده است‪.‬‬ ‫‪‬‬
‫‪ ‬مدل حسگر‪𝑃 𝑅 𝐺 :‬‬

‫یعنی میدانیم حسگر عامل چگونه عمل میکند‪.‬‬ ‫‪‬‬
‫‪ = R‬اطالعات مربوط به رنگ دریافت شده در خانه (‪)۱, ۱‬‬ ‫‪‬‬
‫مثالً ‪.𝑃 𝑦𝑒𝑙𝑙𝑜𝑤 1,1 = 0.1‬‬ ‫‪‬‬
‫‪ ‬اکنون میتوانیم توزیع پسین 𝑟 𝐺 𝑃 را با استفاده از قاعده بیز محاسبه کنیم‪:‬‬
‫𝑔 𝑃 𝑔𝑟 𝑃∝ 𝑟𝑔 𝑃‬

‫عامل روحیاب‪ :‬بازبینی‬
‫‪44‬‬
‫فرض کنید دو توزیع زیر را در اختیار داریم‪:‬‬ ‫‪‬‬
‫‪ ‬توزیع پیشین بر روی مکان روح‪𝑃(𝐺) :‬‬

‫که به صورت یکنواخت توزیع شده است‪.‬‬ ‫‪‬‬
‫‪ ‬مدل حسگر‪𝑃 𝑅 𝐺 :‬‬

‫یعنی میدانیم حسگر عامل چگونه عمل میکند‪.‬‬ ‫‪‬‬
‫‪ = R‬اطالعات مربوط به رنگ دریافت شده در خانه (‪)۱, ۱‬‬ ‫‪‬‬
‫مثالً ‪.𝑃 𝑦𝑒𝑙𝑙𝑜𝑤 1,1 = 0.1‬‬ ‫‪‬‬
‫‪ ‬اکنون میتوانیم توزیع پسین 𝑟 𝐺 𝑃 را با استفاده از قاعده بیز محاسبه کنیم‪:‬‬
‫𝑔 𝑃 𝑔𝑟 𝑃∝ 𝑟𝑔 𝑃‬

‫استقالل‬
‫‪4۵‬‬
‫متغیرهای مستقل‪ .‬در یک توزیع توأم‪ ،‬دو متغیر مستقل هستند اگر‪:‬‬ ‫‪‬‬
‫)𝑌(𝑃 𝑋 𝑃 = 𝑌 ‪𝑃 𝑋,‬‬
‫𝑌⊥𝑋‬
‫)𝑦(𝑃 𝑥 𝑃 = 𝑦 ‪∀𝑥, 𝑦 𝑃 𝑥,‬‬
‫‪ ‬در این صورت توزیع توأم قابل تجزیه به دو توزیع سادهتر است‪.‬‬
‫‪ ‬توجه‪ .‬متغیرها معموالً مستقل نیستند!‬
‫میتوانیم استقالل را به عنوان یک فرض در مدلسازی به کار ببریم‪.‬‬ ‫‪‬‬
‫‪ ‬سادهسازی مدل!‬

7 1 Probability 2015

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

7 1 Probability 2015

Uploaded by

Copyright:

Available Formats

‫احتماالت‬

‫سید ناصر رضوی ‪n.razavi@tabrizu.ac.ir‬‬

‫‪www.snrazavi.ir‬‬ ‫هوش مصنوعی پیشرفته ‪ -‬سید ناصر رضوی ‪۱۳۹۵ -‬‬

‫‪www.snrazavi.ir‬‬ ‫هوش مصنوعی پیشرفته ‪ -‬سید ناصر رضوی ‪۱۳۹۵ -‬‬

‫نارنجی‬ ‫خانههای با فاصله ‪ ۱‬یا ‪:2‬‬ ‫‪‬‬

‫زرد‬ ‫خانههای با فاصله ‪ ۳‬یا ‪:4‬‬ ‫‪‬‬

‫سبز‬ ‫خانههای با فاصله ‪ ۵‬یا بیشتر‪:‬‬ ‫‪‬‬

‫)‪P(red | 3‬‬ ‫)‪P(orange | 3‬‬ ‫)‪P(yellow | 3‬‬ ‫)‪P(green | 3‬‬

‫‪www.snrazavi.ir‬‬ ‫هوش مصنوعی پیشرفته ‪ -‬سید ناصر رضوی ‪۱۳۹۵ -‬‬

‫مثال‪ .‬یافتن مکان روح در گرید‪.‬‬ ‫‪‬‬

‫‪www.snrazavi.ir‬‬ ‫هوش مصنوعی پیشرفته ‪ -‬سید ناصر رضوی ‪۱۳۹۵ -‬‬

‫مفاهیم پایهای‪.‬‬ ‫‪‬‬

‫‪www.snrazavi.ir‬‬ ‫هوش مصنوعی پیشرفته ‪ -‬سید ناصر رضوی ‪۱۳۹۵ -‬‬

‫‪ = R‬آیا هوا بارانی است؟‬ ‫‪‬‬

‫‪ = T‬هوا سرد است یا گرم؟‬ ‫‪‬‬

‫‪ = D‬چقدر طول میکشد به فرودگاه برسیم؟‬ ‫‪‬‬

‫‪ = L‬روح در کدام خانه قرار دارد؟‬ ‫‪‬‬

‫دامنه‪ .‬همانند متغیرهای ‪ ،CSP‬متغیرهای تصادفی دارای یک دامنه هستند‪.‬‬ ‫‪‬‬

‫{درست‪ ،‬نادرست} یا }‪{+r, -r‬‬ ‫دامنه ‪:R‬‬ ‫‪‬‬

‫{سرد‪ ،‬گرم}‬ ‫دامنه ‪:T‬‬ ‫‪‬‬

‫)∞ ‪[0,‬‬ ‫دامنه ‪:D‬‬ ‫‪‬‬

‫مکانهای ممکن در گرید‬ ‫دامنه ‪:L‬‬ ‫‪‬‬

‫‪www.snrazavi.ir‬‬ ‫هوش مصنوعی پیشرفته ‪ -‬سید ناصر رضوی ‪۱۳۹۵ -‬‬

‫تابع توزیع احتمال‪ .‬انتساب یک احتمال به هر یک از مقادیر دامنه‪.‬‬ ‫‪‬‬

‫‪www.snrazavi.ir‬‬ ‫هوش مصنوعی پیشرفته ‪ -‬سید ناصر رضوی ‪۱۳۹۵ -‬‬

‫𝑇‬ ‫)𝑇(𝑃‬ ‫𝑊‬ ‫)𝑊(𝑃‬

‫‪∀𝑥 𝑃 𝑋 = 𝑥 ≥ 0‬‬ ‫‪෍𝑃 𝑋 = 𝑥 = 1‬‬

‫‪www.snrazavi.ir‬‬ ‫هوش مصنوعی پیشرفته ‪ -‬سید ناصر رضوی ‪۱۳۹۵ -‬‬

‫‪ ‬بیانگر احتمال وقوع هر انتساب ممکن از مقادیر به متغیرها‪.‬‬

‫‪𝑃 𝑥1 , 𝑥2 , … , 𝑥𝑛 ≥ 0‬‬ ‫‪෍‬‬ ‫‪𝑃 𝑥1 , 𝑥2 , … , 𝑥𝑛 = 1‬‬

‫‪www.snrazavi.ir‬‬ ‫هوش مصنوعی پیشرفته ‪ -‬سید ناصر رضوی ‪۱۳۹۵ -‬‬

‫‪ ‬بیانگر جنبههایی از محیط که برای ما اهمیت دارند!‬

‫مدلهای احتماالتی‪.‬‬ ‫‪‬‬

‫‪ ‬مجموعهای از متغیرهای تصادفی به همراه دامنه هر یک‪.‬‬

‫‪www.snrazavi.ir‬‬ ‫هوش مصنوعی پیشرفته ‪ -‬سید ناصر رضوی ‪۱۳۹۵ -‬‬

‫رویداد‪ .‬یک مجموعه از پیامدها!‬ ‫‪‬‬

‫= 𝐸 𝑃‬ ‫‪෍‬‬ ‫𝑛𝑥 ‪𝑃 𝑥1 , 𝑥2 , … ,‬‬

‫𝑇‬ ‫𝑊‬ ‫)𝑊 ‪𝑃(𝑇,‬‬

‫رویداد‪ .‬یک مجموعه از پیامدها!‬ ‫‪‬‬

‫= 𝐸 𝑃‬ ‫‪෍‬‬ ‫𝑛𝑥 ‪𝑃 𝑥1 , 𝑥2 , … ,‬‬

‫𝑇‬ ‫𝑊‬ ‫)𝑊 ‪𝑃(𝑇,‬‬

‫= 𝐸 𝑃‬ ‫‪෍‬‬ ‫𝑛𝑥 ‪𝑃 𝑥1 , 𝑥2 , … ,‬‬

‫𝑇‬ ‫𝑊‬ ‫)𝑊 ‪𝑃(𝑇,‬‬

‫س‪ .‬احتمال وقوع هر یک از رویدادهای زیر را محاسبه کنید‪.‬‬ ‫‪‬‬

‫𝑋‬ ‫𝑌‬ ‫)𝑌 ‪𝑃(𝑋,‬‬

‫‪www.snrazavi.ir‬‬ ‫هوش مصنوعی پیشرفته ‪ -‬سید ناصر رضوی ‪۱۳۹۵ -‬‬

‫توزیع حاشیهای‪ .‬توزیع احتمال یک زیرمجموعه از متغیرها‪.‬‬ ‫‪‬‬

‫‪ ‬بخشی از جدول توزیع احتمال حاصل از حذف تعدادی متغیر‪.‬‬

‫توزیع حاشیهای‪ .‬توزیع احتمال یک زیرمجموعه از متغیرها‪.‬‬ ‫‪‬‬

‫‪ ‬بخشی از جدول توزیع احتمال حاصل از حذف تعدادی متغیر‪.‬‬

‫‪www.snrazavi.ir‬‬ ‫هوش مصنوعی پیشرفته ‪ -‬سید ناصر رضوی ‪۱۳۹۵ -‬‬

‫‪www.snrazavi.ir‬‬ ‫هوش مصنوعی پیشرفته ‪ -‬سید ناصر رضوی ‪۱۳۹۵ -‬‬

‫‪www.snrazavi.ir‬‬ ‫هوش مصنوعی پیشرفته ‪ -‬سید ناصر رضوی ‪۱۳۹۵ -‬‬

𝑃 𝑇 = 𝑐𝑜𝑙𝑑 = 𝑃 𝑇 = 𝑐𝑜𝑙𝑑, 𝑊 = 𝑠𝑢𝑛 + 𝑃 𝑇 = 𝑐𝑜𝑙𝑑, 𝑊 = 𝑟𝑎𝑖𝑛

www.snrazavi.ir ۱۳۹۵ - ‫ سید ناصر رضوی‬- ‫هوش مصنوعی پیشرفته‬

‫𝑋‬ ‫𝑌‬ ‫)𝑌 ‪𝑃(𝑋,‬‬

‫‪www.snrazavi.ir‬‬ ‫هوش مصنوعی پیشرفته ‪ -‬سید ناصر رضوی ‪۱۳۹۵ -‬‬

‫‪hot‬‬ ‫‪rain‬‬ ‫‪0.1‬‬

‫‪www.snrazavi.ir‬‬ ‫هوش مصنوعی پیشرفته ‪ -‬سید ناصر رضوی ‪۱۳۹۵ -‬‬

‫ترفند نرمالسازی‪.‬‬ ‫‪‬‬

‫𝑇‬ ‫𝑊‬ ‫)𝑊 ‪𝑃(𝑇,‬‬ ‫انتخاب توزیعهای توأم‬

‫‪www.snrazavi.ir‬‬ ‫هوش مصنوعی پیشرفته ‪ -‬سید ناصر رضوی ‪۱۳۹۵ -‬‬

‫ترفند نرمالسازی‪.‬‬ ‫‪‬‬